Pengenalan Pola Klasifikasi – Naïve Bayes
PTIIK - 2014
Course Contents 1
Naïve Bayes Classifier
2
Fase Training
3
Fase Testing
4
Studi Kasus dan Latihan
Naïve Bayes Classifier Metode klasifikasi ini diturunkan dari penerapan teorema Bayes dengan asumsi independence (saling bebas) Naïve Bayes Classifier adalah metode pengklasifikasian dengan model peluang, dimana diasumsikan bahwa setiap atribut contoh (data sampel) bersifat saling lepas satu sama lain berdasarkan atribut kelas.
Naïve Bayes Classifier Apa yang dapat kita lakukan apabila data kita yaitu d mempunyai beberapa atribut atau fitur a1, a2, ..., at ?
Asumsi Naïve Bayes : Atribut yang mendeskripsikan contoh data adalah independen pada hipotesis klasifikasi
P(d | h) P(a1,...,aT | h) P(at | h) t
Asumsi penyerderhanaan, kemungkinan tidak sesuai realita Namun bekerja dengan baik secara praktis
Beberapa aplikasi: Diagnosa medis Klasifikasi Teks
Asumsikan diantara fitur Ai adalah independen pada suatu kelas:
Fase Training Pada setiap kelas C: Estimasikan prior P(C) −> untuk setiap fitur A
Untuk setiap nilai fitur vi dari A: Estimasikan P( A=v | C )
Fase Testing Beberapa fitur (v1, v2, ..., , vk) Pilih kelas yang memaksimalkan:
Naïve Bayes - Data Kontinyu Naive bayes classifier untuk menangani atribut bertipe kontinyu, salah satu caranya adalah menggunakan distribusi Gaussian. Distribusi ini dikarakterisasi dengan dua parameter yaitu mean (μ), dan variansi(σ2). Untuk setiap kelas yj, peluang kelas bersyarat untuk atribut Xi dinyatakan dengan persamaan distribusi Gaussian.
Naïve Bayes - Data Kontinyu Fungsi densitas mengekspresikan probabilitas relatif. Data dengan mean μ dan standar deviasi σ, fungsi densitas probabilitasnya adalah:
μ dan σ dapat diestimasi dari data, untuk setiap kelas. Gunakan untuk P(X | C)
Studi Kasus 1 : Mutu Buah Jeruk Mengumpulkan informasi tentang jeruk. Menganalisa dan merancang perangkat lunak yang digunakan untuk menentukan mutu buah jeruk manis berdasarkan warna RGB dan diameter dengan menggunakan metode naive bayes.
Untuk menghitung peluang, langkah-langkah yang dilakukan sebagai berikut : Membuat image menjadi skala keabuan (gray- scale). Binarisasi. Pada tahap ini berguna untuk merubah nilai piksel image menjadi 0 dan 1. Nilai 0 untuk menggambarkan latar belakang, nilai 1 untuk objek buah jeruk. Max Filter. Tahap ini diperlukan untuk menghilangkan nilai piksel 1 tetapi bukan bagian dari buah jeruk. Temukan Parameter. Tahap ini digunakan menghitung nilai rata-rata red, green, blue, dan menghitung diameter buah jeruk.
Penentuan Mutu Buah Jeruk. Bila parameter rata-rata R,G,B dan diameter D sudah diketahui, maka untuk menentukan mutu buah jeruk memiliki langkah-langkah sbb: • • • •
p1:Hitung Peluang (R,G,B,D) pada kelas A p2:Hitung Peluang (R,G,B,D) pada kelas B p3:Hitung Peluang (R,G,B,D) pada kelas C p4:Hitung Peluang (R,G,B,D) pada kelas BS
if ((p1>=p2) and (p1>=p3) and (p1>=p4)) then Output 'Quality A with probability p1’ if ((p2>=p1) and (p2>=p3) and (p2>=p4)) then Output 'Quality B with probability p2’ if ((p3>=p1) and (p3>=p2) and (p3>=p4)) then Output 'Quality C with probability p3' if ((p4>=p1) and (p4>=p2) and (p4>=p3)) then Output 'Quality BS with probability p4'
Keterangan : Display vektor pembelajaran Display gambar jeruk yang akan diuji mutunya. Pada gambar tersebut terdapat dua garis vertikal yang digunakan untuk menghitung diameter buah jeruk (jarak antara dua garis vertikal). Display untuk mengetahui mutu jeruk yang sedang ditampilkan. Pada image yang ditampilkan, mutu yang dihasilkan adalah BS.
Studi Kasus 2 : Bermain Tenis Day
Outlook
Temperature
Humidity
Wind
Play Tennis
Day1 Day2
Sunny Sunny
Hot Hot
High High
Weak Strong
No No
Day3
Overcast
Hot
High
Weak
Yes
Day4
Rain
Mild
High
Weak
Yes
Day5
Rain
Cool
Normal
Weak
Yes
Day6
Rain
Cool
Normal
Strong
No
Day7
Overcast
Cool
Normal
Strong
Yes
Day8
Sunny
Mild
High
Weak
No
Day9
Sunny
Cool
Normal
Weak
Yes
Day10
Rain
Mild
Normal
Weak
Yes
Day11
Sunny
Mild
Normal
Strong
Yes
Day12
Overcast
Mild
High
Strong
Yes
Day13
Overcast
Hot
Normal
Weak
Yes
Day14
Rain
Mild
High
Strong
No
Klasifikasi fakta baru berupa x=(a1,…aT) sebagaimana:
hNaive Bayes arg max P(h) P(x | h) arg max P(h) P(at | h) h
h
t
Untuk melakukannya berdasarkan pada sampel pelatihan, kita perlu untuk mengestimasi parameter-parameter dari sampel pelatihan: Untuk setiap kelas (hypothesis) h
Pˆ (h) : estimate P(h) Untuk setiap nilai fitur at dari setiap contoh fakta
Pˆ (at | h) : estimate P(at | h)
Berdasarkan pada contoh tabel klasifikasi fakta x berikut : x=(Outl=Sunny, Temp=Cool, Hum=High, Wind=strong) That means: Play tennis or not? hNB arg max P (h) P (x | h) arg max P (h) P (at | h) h[ yes , no ]
h[ yes , no ]
t
arg max P (h) P (Outlook sunny | h) P(Temp cool | h) P ( Humidity high | h) P (Wind strong | h) h[ yes , no ]
Working: P ( PlayTennis yes) 9 / 14 0.64 P ( PlayTennis no) 5 / 14 0.36 P (Wind strong | PlayTennis yes) 3 / 9 0.33 P (Wind strong | PlayTennis no) 3 / 5 0.60 etc. P ( yes) P ( sunny | yes) P (cool | yes) P (high | yes) P ( strong | yes) 0.0053 P ( no) P ( sunny | no) P (cool | no) P ( high | no) P ( strong | no) 0.0206 answer : PlayTennis( x) no
Latihan Coba Lakukan Tes Data : X = (refund = no, marital status = divorced, income = 120k) masuk kelas “evade” No atau Yes? Gunakan formula berikut untuk menghitung likelihood data Kuantitatif (continue)
Tugas Tambahkan metode Naïve Bayes Classifier pada aplikasi pengenalan pola dari data UCI yang kalian kerjakan sebelumnya Munculkan keluaran sesuai dengan tahapan-tahapan penyelesaian: Sheet3 / Form3 Likelihood untuk setiap Fitur, Prior, Posterior, dan Hasil Klasifikasi
[email protected] 081 331 834 734 / 088 160 127 40
